[論文レビュー] When Traffic Flow Prediction Meets Wireless Big Data Analytics

Yuanfang Chen, Mohsen Guizani+4 more|arXiv (Cornell University)|Sep 23, 2017

Traffic Prediction and Management Techniques参考文献 6被引用数 9

ひとこと要約

本論文では、実際の無線ビッグデータを適合させてモデルパラメータを最適化することにより、交通フロー予測モデルの最適化を提案している。標準モデルと比較して、予測精度が顕著に向上する。GPSおよび無線センサーからの実世界の軌道データを用いて、データドリブンなパrameterチューニングが混雑予測およびインテリジェント交通システムにおける性能向上に寄与することを実証している。

ABSTRACT

Traffic flow prediction is an important research issue for solving the traffic congestion problem in an Intelligent Transportation System (ITS). Traffic congestion is one of the most serious problems in a city, which can be predicted in advance by analyzing traffic flow patterns. Such prediction is possible by analyzing the real-time transportation data from correlative roads and vehicles. This article first gives a brief introduction to the transportation data, and surveys the state-of-the-art prediction methods. Then, we verify whether or not the prediction performance is able to be improved by fitting actual data to optimize the parameters of the prediction model which is used to predict the traffic flow. Such verification is conducted by comparing the optimized time series prediction model with the normal time series prediction model. This means that in the era of big data, accurate use of the data becomes the focus of studying the traffic flow prediction to solve the congestion problem. Finally, experimental results of a case study are provided to verify the existence of such performance improvement, while the research challenges of this data-analytics-based prediction are presented and discussed.

研究の動機と目的

• スマートシティにおける交通渋滞の課題を解決するために、交通フロー予測精度の向上を図ること。
• 実際の無線ビッグデータを用いたパrameter最適化が、予測性能を向上させるかどうかを調査すること。
• ビッグデータ分析を時間系列モデルと統合し、インテリジェント交通システム（ITS）に応用することの可能性を検討すること。
• 交通アナリティクスにおける欠損データや誤った無線データといったデータ品質の問題を特定し、それらに対処すること。
• 改善された予測アナリティクスを活用して、エコフレンドリーなルーティングおよびインテリジェントな交通管理を実現すること。

提案手法

• GSM、WiFi、Bluetooth、RFIDなどの無線技術を用いて、GPS搭載車両およびレーン側ユニット（RSUs）から空間的・時間的軌道データを収集する。
• 関連する道路からの履歴データおよびリアルタイムデータに基づいて、時間系列分析モデルを適用し、交通フローを予測する。
• 実際の交通データに適合させることで、ベースラインモデルを上回る予測精度を得るため、モデルパラメータを最適化する。
• 大規模な無線ビッグデータからパターンを分析・抽出するために、ディープラーニングおよび回帰技術を活用する。
• 欠損または故障したセンサーからのデータによる影響を軽減するため、データ整合性のチェックを実施する。
• 予測インサイトを都市レベルの計画立案およびインテリジェントな信号制御に統合し、全体のフロー最適化を実現する。

実験結果

リサーチクエスチョン

• RQ1 実際の無線ビッグデータを用いて時間系列予測モデルのパラメータを最適化することで、交通フロー予測精度が顕著に向上するか？
• RQ2 無線センサーや車両データにおけるデータの多様性および不完全性が、交通予測性能にどのように影響を与えるか？
• RQ3 車両およびRSUsからの空間的・時間的軌道データは、混雑予測およびルーティング意思決定をどの程度向上させるか？
• RQ4 交通アナリティクスに無線ビッグデータを活用する際、データの整合性と信頼性を確保する上で直面する主な課題は何か？
• RQ5 最適化された予測モデルは、都市環境におけるインテリジェントな信号制御およびエコフレンドリーなルーティングをどのように支援できるか？

主な発見

• 実際の交通データを用いたモデルパラメータの最適化は、標準時間系列モデルと比較して、予測性能の明確な向上をもたらす。
• GPS、GSM、RSUsからのリアルタイム無線ビッグデータは、相互接続された道路セグメント全体における正確で迅速な交通フロー予測を可能にする。
• 軌道データは、交差点における混雑の兆候を早期に検知できる、車両移動パターンに関する重要なインサイトを提供する。
• データ整合性は依然として主要な課題であり、欠損または誤った無線データは、予測結果を著しく歪める可能性がある。
• 最適化された予測モデルを都市レベルのデータアナリティクスに統合することで、より知的な都市計画および自動交通信号制御が可能になる。
• 予測精度の向上は、渋滞回避によるCO2排出量の削減、燃料消費の低減、および公共の安全の向上に寄与する。